HSIFormer: An Efficient Vision Transformer Framework for Enhanced Hyperspectral Image Classification Using Local Window Attention
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Convolutional neural networks (CNNs) have recently gained significant attention in image classification due to their exceptional performance in computer vision. Building on this success, researchers are now investigating the potential of transformers in Earth observation applications. However, transformers face a significant challenge: they require substantially more training data than CNN classifiers. This makes their application in remote sensing, particularly with Hyperspectral Image (HSI) data, difficult due to the limited availability of labeled data. In this paper, we will repurpose the PolSARFormer model for hyperspectral image classification. Originally designed for polarized SAR image classification, the model's initial parameters have been fine-tuned to better meet the requirements of hyperspectral data. The PolSARFormer model employs a vision transformer (ViT)-based framework that utilizes 3D and 2D CNNs as feature extractors and incorporates local window attention (LWA) for effective HSI data classification. Extensive experimental results show that the model, HSIFormer, achieves better classification accuracy than the state-of-the-art Swin Transformer and ViT algorithms. HSIFormer outperformed the Swin Transformer and ViT by 2.31% and 3.24% in overall accuracy (OA) on the Pavia University benchmark dataset. Additionally, results on the Salinas dataset demonstrated that HSIFormer surpasses several other algorithms, including HybridSN (96.89%), Tri-CNN (97.05%), Vision Transformer (94.68%), 3D-CNN (96.77%), and Swin Transformer (95.62%), with a kappa index (KI) of 98.23%. The code will be made publicly available at https://https://github.com/mqalkhatib/HSIFormer
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle